Core Concepts
의미론적 분할을 통해 추상적인 의미 공간을 구축하고, 이를 활용하여 열화상 이미지를 사실적인 가시광 이미지로 변환하는 효과적인 알고리즘 제안
Abstract
이 논문은 열화상 이미지를 가시광 이미지로 변환하는 새로운 네트워크 구조인 LadleNet을 제안한다. LadleNet은 두 단계의 U-Net 구조로 구성되어 있으며, 첫 번째 단계인 Handle 모듈은 추상적인 의미 공간을 구축하고, 두 번째 단계인 Bowl 모듈은 이 의미 공간을 활용하여 사실적인 가시광 이미지를 생성한다.
Handle 모듈의 핵심 기능이 의미 공간 구축이라는 점에 착안하여, 저자들은 Handle 모듈을 사전 학습된 의미론적 분할 네트워크로 대체한 LadleNet+를 제안했다. 실험 결과, LadleNet과 LadleNet+는 기존 방법들에 비해 SSIM 지표에서 각각 12.4%, 15.2% 향상되었고, MS-SSIM 지표에서는 37.9%, 50.6% 향상되었다. 특히 LadleNet+는 이미지 선명도와 인지 측면에서 최고 수준의 성능을 보였다.
Stats
제안된 LadleNet과 LadleNet+ 모델은 KAIST 데이터셋에서 기존 모델 대비 SSIM 지표 평균 12.4%, 15.2% 향상
LadleNet과 LadleNet+는 MS-SSIM 지표에서 각각 37.9%, 50.6% 향상된 성능 달성
Quotes
"의미론적 분할을 통해 추상적인 의미 공간을 구축하고, 이를 활용하여 열화상 이미지를 사실적인 가시광 이미지로 변환하는 효과적인 알고리즘을 제안한다."
"LadleNet과 LadleNet+는 기존 모델 대비 SSIM 지표에서 각각 12.4%, 15.2% 향상되었고, MS-SSIM 지표에서는 37.9%, 50.6% 향상되었다."